高校专区
在全同态加密下学习因果结构时保护数据隐私
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Hong Kong University of Science and Technology（香港理工大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对分布式因果结构学习中的隐私泄露问题，提出基于全同态加密的方法，通过电路简化、除法和对数近似以及SIMD批处理技术，在加密数据上高效完成因果结构学习，并支持扩展到差分隐私。
FoeGlass: 简单的上下文学习足以对音频深度伪造检测器进行红队测试
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出FoeGlass，一种基于大语言模型上下文学习的黑盒自动红队方法，通过生成音频样本发现深度伪造检测器的盲点，将假阴性率降低高达94%。
Comments Accepted at ICML 2026
AutoLab：前沿模型能否解决长周期自动研究与工程任务？
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。
Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/
AlphaQ: 混合专家量化的免校准位分配
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Xiamen University（厦门大学多媒体可信感知与高效计算重点实验室） ； International Computer Science Institute（国际计算机科学研究所） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Liquid AI
AI总结 针对混合专家模型量化中依赖校准数据导致位分配次优的问题，提出基于重尾自正则化理论的免校准位分配方法AlphaQ，通过专家权重谱的重尾程度分配位宽，在预算约束下最小化量化误差，实现接近全精度的性能。
Comments 28 pages, 11 figures
面向TabPFN的文本编码器预训练
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度思维）
AI总结 提出TabPFN文本适配器，通过轻量级适配器将文本嵌入映射到TabPFN的嵌入空间，避免PCA瓶颈，保留TabPFN数值优势，训练效率更高。
AICompanionBench: 以LLM为评判标准的AI伴侣安全基准测试
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文提出AICompanionBench，首个公开的细粒度安全风险标注的人机伴侣对话基准数据集，并评估20个LLM在检测不安全交互中的表现，发现强模型在显式有害内容上准确率高，但难以识别隐式不安全交互。
教机器人说‘我不知道’：用于不确定性感知SLAM的SENTINEL
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出SENTINEL框架，通过几何扫描统计和跨模态深度一致性为低成本2D LiDAR提供无训练、无标签的可靠性评分，拒绝损坏扫描并回退到轮式里程计，防止SLAM无声损坏。
Comments 6 pages, 10 figures, 3 tables, This paper was accepted at Uncertainty in Open-World Robotics Workshop in conjunction with Internation conference of robotics and automation (ICRA 2026)
面向深度无监督域适应的精确模型选择
机构 * University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 针对深度无监督域适应中缺乏准确模型选择方法的问题，提出Deep Embedded Validation (DEV)方法，通过嵌入适应特征表示到验证过程中，获得目标风险的无偏估计，并利用控制变量技术降低方差，理论和实验证明了其有效性。
Comments upload to arxiv for record
MineXplore: 面向GNSS拒止地下环境的开源强化学习探索基准
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出基于真实矿井数据的开源MuJoCo导航基准MineXplore，通过六阶段管道重建隧道网络，验证了在GNSS拒止、光照退化等极端条件下策略学习的稳定性与可复现性。
Comments 7 pages,11 figures, Submitted to the workshop Xplore:Cross-Disciplinary aspects of Exploration in Robotics, Reinforcement Learning and Search Held at International Conference on Robotics and Automation (ICRA)
Hyper-ICL：基于双曲锚点蒸馏的注意力校准用于多模态上下文学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Hyper-ICL，一种轻量级训练框架，通过低秩logit适配器和双曲锚点蒸馏损失校准注意力分布，无需推理时提供上下文示例即可重建演示效果，提升多模态上下文学习的准确性和稳定性。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
用于视觉-语言模型的有状态视觉编码器
机构 * University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出有状态视觉编码器，通过将每个视觉表示条件于先前的视觉特征，增强视觉-语言模型在多图像、多轮交互中的视觉变化感知能力，在跨图像空间聚合、多目标视觉差异和轨迹行为克隆等任务上取得一致改进。
Comments Project page: https://statefulvisualencoders.github.io/
DLLG: 大语言模型专家的动态logit级门控
机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学）
AI总结 提出DLLG框架，通过轻量级门控模块学习token级专家融合权重，利用稀疏的响应级监督实现动态logit级集成，无需token级标签或专家重训练，在推理和代码基准上优于路由、启发式集成和参数合并方法。
基于提示决策变压器的无线网络可泛化多任务学习
机构 * IEEE ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PromptDT框架，将多小区选择重构为序列建模问题，利用离线轨迹和任务特定提示实现跨异构网络配置的可扩展学习，在无需重训练的情况下提升多任务QoE达49%。
Comments Accepted paper at IEEE International Mediterranean Conference on Communications and Networking (MeditCom) 2026
通用智能体能否自动化数据筛选？
机构 * Virginia Tech（弗吉尼亚理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出Curation-Bench基准，通过通用编码智能体自动化数据筛选循环，实验表明现成智能体可达到强基线，但存在执行-研究差距，而结构化方法引导的智能体能在十分之一数据预算下自主组合出优于强基线的数据选择策略。
Comments Preprint
VAMPS: 视觉辅助数学问题求解基准
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出VAMPS基准，通过1,168道双语多选题评估多模态大模型在借助绘图工具进行数学推理时的表现，发现直接解析求解优于工具辅助视觉求解。
通过最小二乘和力学建模估算假肢接受腔中的法向和剪切界面压力
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学）
AI总结 针对假肢接受腔界面压力测量中剪切力缺失和传感器串扰问题，提出一种基于稀疏传感和最小二乘的准静态弹簧-质量接触模型，通过全局力/力矩和局部压力数据验证模型性能。
免训练的词汇-稠密融合用于对话记忆检索
机构 * Inland Norway University of Applied Sciences（内陆挪威应用科学大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出一种免训练、仅CPU的检索方法，通过分数级融合最大查询-轮次相似度（后期交互）与BM25，显著提升多会话对话记忆检索的命中率，并分析了不同编码器和池化策略的影响。
Comments 9 pages, 3 figures, 10 tables. Code, data, and per-table receipts: https://github.com/Chrislysen/opsem
强化学习中的精确遗忘
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出强化学习中的精确遗忘问题，通过ρ-TV稳定算法实现数据删除后输出与从未学习该数据时不可区分，并给出近乎最优的遗憾界。
Comments ICML Spotlight
KODA: 视觉-语言基础模型的对比表示比较与对齐
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出KODA框架，通过核优化方法对比分析视觉-语言基础模型的表示差异，并识别弱聚类与强聚类的样本子集，实现表示对齐。
当场抓获（激活）：面向LLM智能体的凭证泄露预输出和多轮检测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究通过激活探针、蜜令令牌和累积信息流追踪三种互补防御方法，在预输出和多轮对话中检测LLM智能体的凭证泄露。
图神经网络的贝叶斯成员隐私
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对图神经网络中结构相关性和随机训练图采样导致的成员推断问题，提出贝叶斯成员隐私（BMP）框架，通过贝叶斯假设检验量化节点级成员隐私，并设计采样感知审计机制以评估隐私泄露。
面向脑电到音乐重建的通道导向设计
机构 * UC Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学）
AI总结 针对脑电信号弱、易受噪声和通道变异影响的问题，提出通道导向设计（包括通道级标记化、多视角自蒸馏和数据增强），在编码-对齐-解码流水线中实现稳定的音乐语义空间对齐，显著提升重建性能。
PaCX-MAE: 生理增强的胸部X光掩码自编码器
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Michigan（密歇根大学）
AI总结 提出PaCX-MAE跨模态蒸馏框架，通过双对比预测目标将生理先验注入胸部X光编码器，在保持单模态推理的同时提升生理相关任务性能。
Comments Accepted at the ICML 2026 3rd Workshop on Multi-modal Foundation Models and Large Language Models for Life Sciences (FM4LS)
不再需要K-means：用于高效多向量检索的单阶段稀疏编码
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对多向量检索中K-means聚类导致的索引延迟和语义损失问题，提出单阶段稀疏检索（SSR），利用稀疏自编码器将词元嵌入投影为高维稀疏表示，结合倒排索引实现高效检索，在BEIR基准上索引时间减少15倍、检索延迟减半且性能提升。
Comments Accepted by ICML2026
DiscreteRTC：离散扩散策略是自然的异步执行器
机构 * UC Berkeley（加州大学伯克利分校） ； UIUC（伊利诺伊大学香槟分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UCLA（加州大学洛杉矶分校）
AI总结 针对同步执行器在动态任务中的致命停顿问题，提出DiscreteRTC方法，利用离散扩散策略的原生修复能力实现异步执行，在动态模拟和真实操作任务中取得更高成功率。
SBASH：用于设计和评估RAG与提示调优的LLM蜜罐框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出SBASH框架，利用轻量级本地LLM和RAG技术构建蜜罐，通过多种指标评估RAG与提示调优对LLM蜜罐真实性和响应延迟的影响。
Comments to be published in: The 3rd International Conference on Foundation and Large Language Models (FLLM2025), IEEE, 2025
Journal ref 2025 3rd International Conference on Foundation and Large Language Models (FLLM), IEEE, 2025
固定预算在最佳臂识别中不比固定置信度难（对数因子范围内）
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出元算法FC2FB，将固定置信度算法转化为固定预算算法，证明固定预算的样本复杂度在log因子内不高于固定置信度。
Journal ref International Conference on Machine Learning (ICML'26), Seoul, Korea, 2026
AlgoVeri：面向经典算法的验证代码生成对齐基准
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 为解决跨范式验证代码生成评估缺乏统一方法的问题，提出AlgoVeri基准，在Dafny、Verus和Lean三种语言上评估77个经典算法的验证代码生成，揭示不同验证系统的能力差距。
Comments Accepted to ICML 2026, 32 pages
PersistBench: 大型语言模型何时应忘记长期记忆？
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出 PersistBench 基准，评估 LLM 长期记忆带来的跨域泄露和记忆诱导的谄媚安全风险，发现主流模型失败率高达 53% 和 97%。
Comments 76 pages, 34 figures, ICML (2026)
群体公平约束下的最优运输
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对最优运输中的群体公平问题，提出通过修正Sinkhorn算法实现完美公平，并开发两种松弛策略（惩罚OT和双层优化学习成本）以平衡公平与匹配质量，给出理论保证和实证结果。
Comments Accepted at ICML 2026 (spotlight)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈